Hy-Nomas 對比 Hunyuan3D WorldClaw：同一實驗室，兩種世界

騰訊混元團隊在相隔不到三個月的時間內，先後推出兩樣都稱為世界模型的東西，而它們幾乎在所有方面都意見相左。Hunyuan3D WorldClaw於 2026 年 8 月發布，其實根本不是一個模型：它是一條四階段代理式流程，先用 LLM 代理規劃場景、生成地形，將各個物件重建為帶紋理的網格，然後讓視覺代理渲染結果並修正看起來不對的地方。Hy-Nomas於 2026 年 10 月 23 日發布，是一個單一的分段自回歸擴散 Transformer，可渲染可控影片，並以 Apache 2.0 授權釋出權重。前者從一句話建構可編輯的 3D 資產。後者從一段對話渲染出連續的世界。

這個比較之所以值得做，正是因為它們同屬一個實驗室。這是一場乾淨的自然實驗，檢驗兩種策略：把前沿模型編排成一條流水線，或訓練單一模型獨力完成全部工作。這兩次發布在開放程度上也恰好彼此相反——工程堆疊較重的那一方沒有公開任何程式碼，而作為單一模型的那一方則全數公開。

模型與管線是不同類型的產物。

WorldClaw 的論文描述了一個路由器。該系統協調數個前沿模型，而非自行執行生成：由 LLM 代理負責規劃、影像模型負責區域性合成、分割模型、騰訊自家的 Hunyuan3D 負責網格重建，以及透過 MCP 驅動的 Blender 負責組裝。論文指出 Claude Opus 4.8 擔任規劃器，並將 GPT-Image-2 與 SAM3D 列為區域性元件。其貢獻在於編排——全域到區域的分解，以及基於渲染的修復迴圈——而非新的生成骨幹。

Hy-Nomas 是相反的押注。一個 54 區塊的雙流 MMDiT、隱藏維度 2,048、Qwen2.5-VL-7B-Instruct 文字編碼器、透過交叉注意力進行的相機條件調控，以及終身 KV 快取。迴路中沒有規劃器、沒有分割階段、也沒有外部渲染器。模型本身就是系統。

這種差異說明了失效模式。管線會繼承它所呼叫的每個元件的弱點，並且可以逐一修復每個元件。單一模型具有一個連貫的世界觀，階段之間沒有接縫，但任何弱點都已固化在權重中，只能透過重新訓練或 LoRA 來修正。

WorldClaw 的四個階段實際上在做什麼

第一階段是意圖分析與場景規劃。兩個 LLM 代理分擔這項工作：一個只擷取使用者實際陳述的限制條件，另一個補足細節，產出涵蓋區域、地形、物件與空間關係的結構化場景規格。這種分工是對單一規劃器常見失誤的合理防範，那個失誤就是憑空發明需求，然後再去滿足它們。

第二階段生成全域地形：語意佈局圖、具區域感知的高度場，以及依各區域指派的材質、岩石與植被。第三階段將每個區域渲染成 2D 合成影像，分割出各個實例，透過 Hunyuan3D 把每個實例重建為帶貼圖的網格，再放回地形上。第四階段最為有趣——視覺代理會從多個視角渲染組裝完成的場景，找出懸浮物件、相互穿插、比例錯誤與姿態錯誤，然後反覆迭代。組裝則是透過 MCP 在 Blender 中進行。

輸出的是明確、帶有紋理、可個別編輯的網格，並可匯出至遊戲引擎。這與影片是截然不同的交付成果：每棵樹都是一個物件，每個物件都有變換，關卡設計師可以移動其中一個，而不必重新渲染整個世界。

可編輯的網格，或可操控的影片

Hy-Nomas 的輸出是 720 × 1280、24 FPS 的影片，在蒸餾配置中以八個去噪步驟分段生成。你無法在 Blender 中開啟它。不過，你可以於工作階段中途重新導向它：以自由形式文字描述世界中存在的事物，用相機外參指定鏡頭去向，並用 KV 快取讓較早的片段與新指令保持一致。這項編輯是對話式的，且會在下一個片段渲染之前發生。

WorldClaw 的輸出可在事後編輯。你拿到的是幾何，而編輯是空間性的——移動物件、重新縮放樹木、重新渲染該區域。你不能做的是在世界渲染時與它對話。管線會完整跑完，然後你才處理資產。

• 輸出 — Hy-Nomas 可操控的 720 × 1280 影片，對比場景中 Hunyuan3D WorldClaw 明確的帶紋理網格

• 工作單位 — Hy-Nomas 是按需求渲染的單一片段，對比 Hunyuan3D WorldClaw 是分四階段生成的完整世界

• 編輯 — Hy-Nomas 在片段之間的文字與攝影機指令，相對於 Hunyuan3D WorldClaw 在生成後對網格的直接操作

• 引擎 — Hy-Nomas 的單一擴散 Transformer，對比 Hunyuan3D WorldClaw 由前沿模型加上 Blender 編排而成的堆疊

• 硬體 — 預設為 Hy-Nomas 8 張 GPU，在 INT8 低記憶體路徑下為一張 RTX 4090，相較於 Hunyuan3D WorldClaw 4 × NVIDIA H20

• 發布 — Hy-Nomas 以 Apache 2.0 釋出權重、程式碼與基準資料集，相對地 Hunyuan3D WorldClaw 只有論文、專案頁面與 README，沒有程式碼或權重

代理式世界的成本

WorldClaw 的算力故事並不是一般意義上的 GPU 小時數字。它是由四張 H20 加上大量前沿模型呼叫所構成：規劃 token、每個區域的影像生成、每個實例的分割、每個物件的網格重建，以及精修期間反覆進行的視覺代理渲染。一個世界的邊際成本主要由這些呼叫主導，而論文並未公布價格。社群重建方案以託管的影像與 3D 端點取而代之，回報每個世界約五十美分與幾分鐘，這是有用的數量級參考，但並非廠商數字。

Hy-Nomas 的成本較為傳統：預設使用八張 GPU 搭配八路序列平行，或使用一張 RTX 4090，搭配 INT8 DiT 權重、INT8 KV 快取、滑動視窗歷史、CPU 卸載、FlexAttention 與 CUTLASS FP8 解碼器。完整的檢查點集約 196 GB；文件記載的示範路徑約需下載 86 GB，而低記憶體路徑則需要約 38 GB，再加上文字編碼器。由於沒有託管服務，因此不存在託管價格。

真正重要的比較不是每個世界花多少美元，而是錢流向哪裡。WorldClaw 花在 token 與 API 呼叫上，而這些成本會隨著前沿模型價格下降而降低。Hy-Nomas 花在 GPU 佔用上，而這不會下降。管線會因為別人的曲線而變便宜；模型只有在有人蒸餾它時才會變便宜。

• Hy-Nomas 成本驅動因素 — 每次生成工作階段以 GPU 小時計，不按呼叫次數計費

• WorldClaw 成本驅動因素——用於規劃、影像、分割、重建與修復的前沿模型呼叫，外加 4 × H20

• Hy-Nomas 擴展槓桿 — 蒸餾與 LoRA，兩者皆已納入此版本

• WorldClaw 規模化槓桿 — 更便宜的元件模型與更少的修復迭代

WorldClaw 也是這批內容中對路由層最清楚的論證，因為它本身就是一個路由層。它的規劃器呼叫一個模型，區域階段呼叫另一個，重建階段呼叫第三個，整件事就是一套附帶渲染器的路由策略。OrcaRouter 為託管模型做著同樣的事——200+ 個模型，共用一把金鑰，供應商定價原樣傳遞，0% 加成，自動容錯移轉，以及能把多個模型組成單次呼叫的路由 DSL；當你想要的是面板而非鏈式串接時，還可使用模型融合。Hy-Nomas 和 WorldClaw 都不在我們的目錄中，我們也不會假裝自架的世界模型就是一個端點；我們所路由的，是 WorldClaw 證明你需要的這一層。

開放性被反轉了

這是兩者中最奇怪的部分。WorldClaw 是較為繁複的系統——一套多階段的代理式流程，附有已發表的論文與專案頁面——而官方 GitHub 儲存庫裡只有 README、論文和專案素材。沒有程式碼、沒有權重、沒有 API、沒有定價。一個索取程式碼的 issue 至今無人回應。公開存在的，是社群在代管端點之上重建這套流程的重新實作，這證明了論文寫得夠清楚，卻無法取代正式發布。

Hy-Nomas 是更簡單且更開放的系統：Apache 2.0、Hugging Face 上的完整檢查點、GitHub 上的推論與訓練程式碼、圖說標註框架、LoRA 訓練器、合併腳本，以及 280 例基準資料集。技術報告缺失，基準也沒有分數，但產物已完整到足以重現與修改。

對任何打算動手實作的人來說，這個倒轉比架構本身更能決定成敗。跑不起來的管線，終究只是一份設計文件；跑得起來的模型則是起點，即使它的評估還是一片空白。

該選哪一個

當交付物是一個關卡——一個大型、可探索、可編輯，且必須放進遊戲引擎並由人工修改的 3D 環境——就採用 Hunyuan3D WorldClaw 的做法。請注意，你將必須依據論文重建它，因為騰訊尚未發布它；同時也要注意，其品質宣稱屬於定性描述——論文中將其與 SynCity、World Labs 的 Marble、MajutsuCity、Meta 的 WorldGen 及 GPT-5.6 Sol 比較，但並未使用 FID、CLIP 或使用者研究。

當交付成果是影片素材或訓練環境時，可選用 Hy-Nomas：預視覺化、合成影片，或是你打算用隨附的 Robotics LoRA 調整的機器人場景生成器。請注意，長時程一致性這項宣稱是設計論證加上示範，並非評分；單張 4090 執行雖可行，但會有卸載（offload）額外負擔。

而如果你兩者都需要——一個可編輯的世界，以及可操控的該世界影像——老實說，目前騰訊沒有任何單一發布能同時給你這些。WorldClaw 產出的幾何場景，你無法用對話的方式讓它動起來。Hy-Nomas 產出的影片，你無法匯出。兩者之間的落差，正是至今還沒有人真正推出的那個產品，而它比任何一個模型單獨來看都更值得觀察。